การอนุมานแบบแปรผันที่ทนทาน (Robust Variational Inference)
การอนุมานแบบแปรผันที่ทนทาน (RVI) เป็นการขยายการอนุมานแบบแปรผันมาตรฐาน โดยการแทนที่การวัดความแตกต่างแบบ Kullback-Leibler (KL divergence) ด้วยการวัดความแตกต่างที่ไวต่อค่าผิดปกติ (outliers) และการระบุแบบจำลองผิด (model misspecification) น้อยกว่า เช่น beta-divergence หรือ Renyi-type divergence วิธีนี้จะให้ผลการประมาณค่า posterior ที่ยังคงมีพฤติกรรมที่ดีแม้ว่าข้อมูลบางส่วนจะเบี่ยงเบนไปจากแบบจำลองที่ตั้งสมมติฐานไว้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Futami, F., Sato, I. & Sugiyama, M. (2018). Variational inference based on robust divergences. Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 84:813-822. link ↗
- Ghosh, S. & Basu, A. (2016). Robust Bayes estimation using the density power divergence. Annals of the Institute of Statistical Mathematics, 68(2), 413-437. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Variational Inference. ScholarGate. https://scholargate.app/th/bayesian/robust-variational-inference
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การคำนวณแบบเบย์เชิงประมาณการจำลอง↔ compare
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- Markov Chain Monte Carlo (MCMC)การจำลอง↔ compare
- การอนุมานแบบเบย์ที่คงทนเบย์↔ compare
- Markov Chain Monte Carlo (MCMC) แบบทนทานเบย์↔ compare
- การอนุมานแบบแปรผันเบย์↔ compare